Académique Documents
Professionnel Documents
Culture Documents
Préparé par
RADOUANE Fakri
Encadré par :
Pr. ERRAHIMI FATIMA
Pr. ES-SBAI NAJIA
Soutenu le 13 Juin 2016, devant le jury composé de :
Abstract
Treatment of a pathogenic disease process is interpreted as the optimal control of a dynamic
system. A generic nonlinear mathematical model describing the human immunological
dynamics is used to design an effective automatic drug administration scheme. The evolution
of the disease is characterized by a non-linear ordinary differential equation of the fourth
order, The model describes the effects of various drugs on the dynamic system. Without
control, the dynamic model highlights the unrestrained lethal growth of the pathogen,
according to the original terms of the infection. The controller is designed based on the
principle of dynamic inversion and is found to be effective in curing the ‘nominal model
patient’ by killing the invading microbes and healing the damaged organ.
Then, optimal control that minimize a quadratic cost function are generated by numerical
optimization over a fixed time interval, given otherwise lethal initial conditions. Optimal
control solutions that defeat the pathogen and preserve organ health are demonstrated for two
different approaches to therapy. Finally the optimal control with delay implementation has
proved effective to kill the pathogen and improve the immune system.
It is shown that control theory can point the way toward new protocols for treatment and
remediation of human diseases.
Durant cette dernière décennie, la biologie a connu une nette révolution. En effet, les
nouvelles techniques expérimentales en biologie moléculaire, biophysique, biochimie,
produisent une avalanche de données qui ont besoin d’être traitées, analysées, et comprises.
L’exploitation de ces données requiert à la fois des modèles mathématiques et physiques qui
représentent les lois complexes du vivant, ainsi que l’informatique pour simuler ou estimer
ces modèles, analyser les données, et pour intégrer toutes ces sources d’informations
hétérogènes au sein de bases de données. Ces bases de données seront traitées par la suite
pour en sortir les informations pertinentes.
La recherche biologique a rassemblé une énorme quantité d'informations sur les processus
biochimiques qui se produisent dans les organismes vivants et qui permettent la vie, la
croissance et la reproduction. La complexité des interactions, même dans le plus simple de ces
organismes, les organismes unicellulaires est très grande et la plupart des informations
disponibles sont encore semi-quantitatives (décrivant seulement l'existence et la force relative
des interactions) et statique. Pour une meilleure compréhension et pour une conception
systématique des médicaments ou des microorganismes pour la production de substances
pharmaceutiquement ou techniquement efficaces et acceptables, une interaction accrue entre
l’automatique et la recherche biologique est fortement nécessaire. Seule la création de
modèles mathématiques qui peuvent être simulés et (au moins partiellement) analysés,
permettra de comprendre complètement les dépendances des différents mécanismes et de faire
la distinction entre les interactions dominantes ou subordonnées, rapides ou lentes.
L’Automatique offre des outils pour analyser les comportements dynamiques, non linéaires et
discontinus des systèmes complexes, et à son tour bénéficie de nouveaux défis théoriques à
relever, posés par la communauté biologique. La construction de modèles mathématiques
fournit également une référence commune pour l'intégration des résultats des divers travaux
en laboratoire et la détermination des questions ouvertes cruciales. La recherche biologique
évolue de l'analyse des organismes naturels vers la re-conception des systèmes biologiques,
appelée la biologie synthétique, qui consiste à supprimer des composants existants et à ajouter
de nouveaux composants dans la cellule vivante. Encore une fois, l’Automatique fournit un
cadre utile pour étudier cette re-conception. Les commandes sont essentielles à la viabilité
d'un tel système biochimique artificiel et le domaine de l’Automatique est en excellente
position pour contribuer efficacement à ce domaine.
Le chapitre 1 fournit un bref aperçu aux concepts de la biologie des systèmes, les approches
de modélisation, l'analyse et la conception de systèmes de rétroaction. Nous commençons par
une discussion sur le rôle de la modélisation, l'analyse et la rétroaction dans les systèmes
biologiques. Suivi par quelques applications de contrôle dans le domaine de la biologie.
Enfin, nous donnons une introduction de la biologie synthétique.
Le chapitre 2 est dédié au système immunitaire. Après un aperçu général sur le système
immunitaire son rôle et ses mécanismes de défense, une brève présentation de ces deux types:
innée et adaptative est exposée et on termine par l’opportunité qu’offre l’immunothérapie
pour soigner des maladies.
Nous achevons ce rapport par une conclusion générale qui résume le travail effectué.
Thèmes de recherche :
Microélectronique, Electronique des composants
CEM des circuits intégrés
Systèmes embarqués, Description matériel
Traitements et compression d’images et de vidéo
Antennes et propagation
Photovoltaïque à concentration
Thèmes de recherche :
Energie solaire et énergie éolienne, gisements et valorisation
Traitement de signaux et modélisation des réseaux intelligents
Algorithme d’optimisation
Smart grid et développement des systèmes multisources
Thèmes de recherche :
Théorie, conception et expérimentation des antennes micro-ondes pour des applications RFID
Solving the Continuous Multifacility Ordered Median Location Problems
Services Web, Ingénierie dirigée par les Modèles, Adaptation
Conception et mise en place de systèmes intelligents améliorant le concept ABC (Always Best
Connected) pour la prochaine génération de véhicules connectés
Scientific computing, Numerical analysis, Polynomial optimization and location theory
Multiobjective and multi criteria optimization
Equipe de
Nom & prénom e.mail
recherche
AHAITOUF Ali ali.ahaitouf@usmba.ac.ma MSE
JORIO Mohammed m_jorio@yahoo.fr MSE
RAZI Mouhcine mouhcine.razi@gmail.com MSE
Moghamir Khadija Khadija.moghamir@usmba.ac.ma MSE
MANSOURI Anas anas_mansouri@yahoo.fr MSE
Mechaqrane Abdellah abdellah.mechaqrane@usmba.ac.ma SERIGI
ERRAHIMI Fatima errahimifatima@yahoo.fr SERIGI
ES-SBAI Najia najia.essbai@usmba.ac.ma SERIGI
BENNANI DOSSE Saad saad.d.bennani@gmail.com RTL
ELHAJ-BEN-ALI Safae anasafae@gmail.com RTL
LAKHRISSI Younes younes.lakhrissi@gmail.com RTL
KENZI Adil adil.kenzi@gmail.com RTL
EZZOUHAIRI Abdellatif abdellatif.ezzouhairi@polymtl.ca RTL
La biologie des systèmes est devenue une approche viable à la suite de récents
développements dans le domaine des sciences biologiques, l'ingénierie des systèmes,
l'imagerie, les mathématiques et l'informatique. L'un de ses effets les plus immédiats seront
dans le secteur pharmaceutique où, au moyen d'un processus de développement de
médicaments plus efficaces, les systèmes Biologiques apportent des médicaments innovants
pour les patients plus rapidement et à moindre coût. Ce sera un outil essentiel pour élucider
les nombreux facteurs interdépendants qui contribuent aux causes des conditions médicales
communes, à court terme qui donne des informations importantes sur les maladies
cardiovasculaires et la fonction du foie et, à plus long terme, l'augmentation de notre
compréhension du cancer et la démence.
3. Modélisation et analyse
Au cours des dernières décennies, il y a eu des avancées significatives dans la modélisation
pour les systèmes biologiques qui ont conduit à de nouvelles connaissances sur les
interactions complexes des processus à l'échelle moléculaire.
Un élément clé de l'application réussie de la modélisation dans les disciplines d'ingénierie est
l'utilisation de modèles d'ordre réduit qui conservent la dynamique sous-jacente du système
sans modéliser nécessairement tous les détails des mécanismes sous-jacents.
4. Comportement stochastique
Les modèles qui sont utilisés pour décrire le comportement stochastique sont très différents
que celles utilisées pour les réponses déterministes. Au lieu d'écrire les équations
différentielles, les événements individuels qui peuvent se produire doivent être maintenus
avec une certaine probabilité par unité de temps.
Un système dynamique est un système dont le comportement change au fil du temps, souvent
en réponse à une stimulation externe. On n’a une rétroaction (feedback) si deux (ou plus) des
systèmes dynamiques sont reliés entre eux de telle sorte que chaque système influence l'autre
et leur dynamique sont donc fortement couplée. Les systèmes biologiques font souvent usage
de la rétroaction, sur des échelles allant de molécules aux cellules pour les organismes aux
écosystèmes.
La rétroaction a des propriétés intéressantes qui peuvent être exploitées dans la conception de
systèmes. Comme dans le cas de la régulation du glucose, la rétroaction peut conduire à un
système robuste vis-à-vis des influences extérieures. Il peut également être utilisé pour créer
un comportement linéaire à partir des composants non-linéaire, une approche commune dans
l'électronique. Plus généralement, la rétroaction permet à un système d'être insensible à la fois
aux perturbations extérieures et aux variations de ses éléments individuels.
Par conséquent, l'accent est mis sur l'application des techniques du contrôle des systèmes au
domaine médical, qui est très différente de son application dans les autres domaines pour
plusieurs raisons :
Dans la suite, Nous présentons brièvement quelques développements dans ce domaine, pour
plus de détails sur le sujet voir les références [1]-[2].
Le premier appareil implantable qui a reçu l'approbation de la F.D.A (Food and Drug
Administration) aux états unies en 1998 est celui de Baxter/Navaco, le LVAD (Left
Ventricular Assist Device). Le dispositif idéal devrait reproduire les mêmes mécanismes du
corps humain qui permettent de maintenir le débit cardiaque à un niveau adapté à l'état du
patient, cependant les appareils qu'on trouve sur le marché reste assez primitifs en termes
d'automatisme : le patient doit ajuster lui-même le point de consigne.
Une application récente sur les pacemakers utilise une analyse en temps réel et un contrôle
adaptatif. Un appareil d'assistance ventriculaire (VAD) exploite la possibilité de rétroaction et
le contrôle à base de modèle pour compenser les changements suivant les besoins du patient.
Plus récemment la société Word Heart Inc a développé un dispositif nommé Levacor qui
fonctionne sur le principe de lévitation magnétique. Le contrôle est basé sur un système
hybride passif/actif de roulements magnétiques et pour lequel la partie active utilise de
rétroaction active (active feedback loop). Le point fort de cette technologie est la grande
fiabilité de conception électronique et le transfert de savoir-faire du contrôle commande
développé pour l'industrie aéronautique.
Dans le domaine cardiovasculaire, une autre application mérite d'être citée : Un système de
guidage magnétique des cathéters pour la physiologie et d'autres procédures. Le système de
commande est une combinaison de contrôle anticipatif (feedforward control) de rétroaction
(feedback) et de synthèse adaptative du modèle visuel du cœur.
Un certain nombre de dispositifs biomédicaux qui ont été avec succès traduits en produits
commercial utilisant la technologie en circuit fermé incluent le défibrillateur automatique
implantable permettant, outre les fonctions classiques de stimulation, la détection et le
traitement des troubles du rythme ventriculaire; L'électrogramme intracardiaque (IEGM), et le
moniteur de saturation de l'oxygène. Dans d'autres secteurs de dispositif biomédicaux, des
sondes sont utilisées pour fournir la rétroaction pour commander et fournir les signaux
électriques qui stimulent le cerveau pour soulager les tremblements de la maladie de
Parkinson et de l'épilepsie en déterminant l'ampleur et la synchronisation de la stimulation. En
plus, des dispositifs biomédicaux en circuit fermé sont utilisés pour traiter la maladie
vasculaire périphérique à l'aide des sondes pour mesurer le flux sanguin dans les membres
d'un patient et pour déterminer le niveau de la moelle épinière ou de la stimulation
périphérique de nerf exigée pour améliorer le flux sanguin, réduisant de ce fait la douleur
ischémique dans les membres. Le contrôle de température en circuit fermé a été utilisé dans
des systèmes d'ablation (tels que l'Atakr de Medtronic) avec la rétroaction de thermocouple
pour la sécurité.
Par ailleurs, les applications médicales peuvent bénéficier de la théorie des systèmes et de
l'identification développée pour des modèles de populations. En effet, les progrès sur la
modélisation et l'identification des dynamiques de population auront un impact sur les études
en pharmacocinétique et permettront le développement de modèles pour mettre en évidence le
rôle de la variabilité de la population dans le développement ou l’évaluation de médicaments.
Par exemple, dans l'inhibition de croissance tumorale, les modèles mettant en évidence l'effet
Système immunitaire
Quand des microbes entrent dans notre corps, il y a une infection. Habituellement, quand on
a une infection, on a de la fièvre et parfois mal au ventre et de la diarrhée. Cependant, si on se
repose un peu, dans la plupart des cas on se sent de nouveau bien rapidement. C’est notre
système immunitaire qu’on doit remercier pour cette guérison.
Mais ce n’est pas la seule fonction du système immunitaire. En effet, si un microbe nous
rend malade une fois et qu’on guérit, on ne retombera pas malade à cause de lui une deuxième
fois. Cette capacité est une autre fonction importante de notre système immunitaire. Notre
système immunitaire se souvient de tous les microbes qui nous ont infectés. Donc, si on en
rencontre un à nouveau, on ne tombera pas malade.
Les scientifiques appellent cette capacité la mémoire immunitaire. La mémoire immunitaire
nous protège et nous empêche de retomber malade quand on rencontre une deuxième fois un
microbe. Par contre, elle ne peut rien faire si on est infecté par un nouveau microbe. A chaque
nouvelle infection, le système immunitaire doit repartir de zéro pour mémoriser le microbe
qui l’a déclenchée.
Chaque jour, chacun de nous rencontre des milliers de microbes. Quand nous sommes adultes,
notre système immunitaire en a mémorisé un nombre incroyable.
Les vaccins, que nous avons reçus, augmentent le nombre de microbes que notre corps peut
reconnaître. Ils contenaient des microbes qui avaient été affaiblis pour qu’on puisse
développer une immunité contre eux sans être malade.
Les globules blancs débarrassent notre corps des microbes dangereux de trois façons soit :
Les avaler en un seul morceau : Les neutrophiles et les macrophages avalent les
microbes, en particulier les bactéries, en un seul morceau. Ils tuent alors les bactéries
qu’ils ont avalées en les réduisant en miettes.
Tuer les cellules infectées : Les cellules infectées par un virus sont très dangereuses
pour le corps et doivent être éliminées au plus vite. Les lymphocytes T tueurs trouvent
L’attaque lancée par les cellules immunitaires pour se débarrasser des microbes est appelée
une réponse immunitaire.
Le système immunitaire réagit quand on a besoin et autant qu’on a besoin. Ainsi, La fièvre
qui s’élève quand on a un rhume est dû à la réponse immunitaire, mais la température doit
diminuer après la destruction du virus.
Le système immunitaire développe plusieurs méthodes pour limiter une réponse exagérée. Il
possède des molécules et des cellules qui ont pour rôle d’inhiber la réponse immunitaire.
Une cellule spécialisée dans ce domaine est le lymphocyte T régulateur. Le système
immunitaire peut non seulement arrêter une réponse immunitaire en cours, mais il peut
empêcher le développement d’une attaque inutile. Les récepteurs d’antigène des lymphocytes
sont très sensibles et peuvent détecter de très faibles signaux. Cependant, quand les cellules
reçoivent un signal faible, elles répondent seulement en se tenant prêtes à agir. C’est
uniquement après un signal fort, dû à une infection par exemple, qu’elles passent à l’action.
Le système immunitaire fournit au corps un système de défense très fiable. Il est composé de
cellules spécialisées, équipées d’un système de communication sophistiqué et d’armes telles
que les anticorps. Mais le système immunitaire possède également toute une collection de
mesures de sécurité pour éviter de se lancer dans des attaques inutiles et pour ne pas blesser le
corps en mettant en jeu plus de forces que nécessaire.
La réponse immunitaire comporte deux aspects : elle peut être innée ou adaptative.
5. Immunité innée
L'immunité innée ou naturelle, est présente dès la naissance et constitue la première ligne
de défense contre la majorité des agents infectieux. Cette immunité naturelle comporte des
barrières qui empêchent la pénétration des agents nocifs dans l'organisme. La peau est un bon
exemple et représente une barrière impénétrable. Les yeux utilisent un liquide, les larmes, et
la présence d'enzymes, comme le lysozyme, qui détruit les bactéries. L'appareil respiratoire a
recours aux cils, au mucus et à la toux pour expulser toute substance étrangère. Si les
organismes pathogènes traversent ces défenses, le corps réagit par de la fièvre, une
inflammation et d'autres réactions conçues pour combattre l'envahisseur indésirable.
L'inflammation provoque une augmentation de la circulation sanguine locale, ce qui permet à
un nombre important de globules blancs d'arriver sur les lieux pour combattre l'infection.
Certains de ces globules blancs sont des phagocytes et des macrophages qui mangent
littéralement les microorganismes envahisseurs. Dans la plupart des cas d'infection mineure,
ces cellules arrivent à résoudre seules le problème. Le système immunitaire inné protège
contre de nombreuses bactéries ou des virus extracellulaires libres qui sont présents dans le
plasma sanguin, la lymphe, du fluide tissulaire, ou dans l'espace interstitiel entre les cellules
(et, par conséquent, ne sont pas cachés à l'intérieur des cellules du corps). Toutefois,
l'immunité innée n’est normalement pas suffisante pour vaincre les microbes qui creusent
dans les cellules, telles que les virus, les bactéries intracellulaires, et les protozoaires.
Le corps utilise le système immunitaire pour détecter ce qui lui est étranger et s’en
débarrasser. Si un cancer se développe, le système immunitaire peut l’éliminer tant qu’il reste
petit. Il y parvient par la surveillance immunitaire.
Les cellules cancéreuses sont des cellules de notre corps, mais elles se comportent
différemment de nos autres cellules. Elles produisent souvent des protéines endommagées ou
des protéines qui ne sont pas fabriquées par les autres cellules.
Ce sont ces protéines, souvent appelées antigènes associées aux tumeurs ou antigènes
tumoraux, que le système immunitaire cible.
Dès que le système immunitaire détecte des antigènes tumoraux, les cellules immunitaires
lancent une attaque.
Le processus est le même que lors d’une réponse immunitaire normale. Les cellules
dendritiques avalent les antigènes tumoraux et transmettent aux lymphocytes T les
renseignements les concernant. Les lymphocytes T « tueurs » détruisent les cellules
cancéreuses pendant que les lymphocytes T auxiliaires aident les lymphocytes
B spécifiques des antigènes tumoraux à passer à l’action. Les anticorps se fixent aux cellules
cancéreuses qu’ils rencontrent, permettant à des molécules du sang appelées complément
d’attaquer et de tuer les cellules cancéreuses.
8. Conclusion
Quand il y a une invasion de pathogènes exogènes dans un organe, le système immunitaire
réagit en produisant des anticorps pour combattre l'agent pathogène. Si la concentration de ce
dernier est élevée, la réponse immunitaire sera insuffisante, le système immunitaire devient
alors faible. Ainsi, l'organe affecté ne parvient pas à se rétablir naturellement, d’où un besoin
de médicaments qui vont permettre de guérir l'organe malade et d’améliorer le système
immunitaire.
Commande optimale
2. Généralités
Les problèmes de commande optimale sont actuellement très utilisés dans la vie
quotidienne : comment arrivera-t-on à destination le plus rapidement possible ? Comment
minimiser sa consommation ?... Pour un système dynamique donné et dont les équations sont
connues, le problème de commande optimale consiste alors à trouver la commande
minimisant un critère donné. C’est sous cette forme que la commande optimale a été étudiée
dès le XIXème siècle avec le calcul des variations. Une des grandes applications de la
commande optimale a été l’application au lanceur Apollo dans les années 1960. Néanmoins,
les difficultés soulevées par ce genre de problème sont loin d’être complètement résolues
comme en témoignent les sessions dédiées à la commande optimale dans les conférences
d’automatique. La commande optimale reste donc un sujet de recherche d’actualité.
2.1 Contrôlabilité
Un système de contrôle est dit contrôlable si on peut l’amener (en temps fini) d’un état
initial arbitraire vers un état final prescrit. Pour les systèmes de contrôle linéaires en
dimension finie, il existe une caractérisation très simple de la contrôlabilité, due à Kalman.
Pour les systèmes non linéaires, le problème mathématique de contrôlabilité est beaucoup plus
difficile.
3. Commande optimale
3.1. Position du problème
Soit un système à temps continu de représentation d’état :
𝑥̇ = 𝑓(𝑥, 𝑢, 𝑡) (3.1)
x(t0) = x0, où t ∈ R, u ∈ 𝑅𝑚 et x ∈ 𝑅𝑛 .
x (t) est un n-vecteur des variables d'état (xi (t)). Ceux-ci décrivent l'état du système à tout
moment.
u(t) est un m-vecteur de variables de contrôle. Ce sont les variables de choix dans le problème
d'optimisation.
Soit un critère :
𝑡𝑓
𝐽(𝑥0 , 𝑡0 , 𝑢) = 𝑉(𝑡𝑓 , 𝑥(𝑡𝑓 )) + ∫𝑡0 𝐿(𝑥(𝑡), 𝑢(𝑡), 𝑡)dt (3.2)
où L(x,u,t) est une fonction non linéaire c’est le lagrangien et V(tf,xf) représente la fonction
coût terminal. Avec xf = x(t f )
Figure 2:le problème du temps minimal, x*(t) représente une trajectoire optimale
Pour la formulation des contraintes, il faut noter leur diversité lors de la commande d’un
processus : soit sur le temps de simulation, sur la valeur de la commande, sur l’état du
système,…
𝑥̇ = 𝑓(𝑥, 𝑢, 𝑡)
𝜕𝐻
Equation d’état : 𝐻𝜆(𝑡, 𝑥 ∗ , 𝑢∗ , 𝜆∗ ) = 𝑥̇ = 𝜕𝜆
= 𝑓(𝑥, 𝑢, 𝑡) (3.6)
𝜕𝐻
Equation adjoint : 𝐻𝑥(𝑡, 𝑥 ∗ , 𝑢∗ , 𝜆∗ ) =𝜆̇ = − ( ) (3.7)
𝜕𝑥
Equation de commande :
𝜕𝐻
𝐻𝑢(𝑡, 𝑥 ∗ , 𝑢∗ , 𝜆∗ ) = = 0 ==> u = 𝛹(𝑥, 𝜆) (3.8)
𝜕𝑢
Les équations provenant des conditions dites terminales, en t 0 d’une part et en t f d’autre
part sont appelées équations de transversalité : [12], [14]
à l’ origine :
𝜕𝑉 𝜕𝑉 𝑇
(−𝐻(𝑡0 ) + 𝜕𝑡0
) 𝛿𝑡0 +(𝜆(𝑡0 ) + 𝜕𝑥0
) 𝛿𝑥0 =0
à l’arrivée : (3.9)
𝑇
𝜕𝑉 𝜕𝑉
(𝐻(𝑡𝑓 ) + 𝜕𝑡 ) 𝛿𝑡𝑓 +(−𝜆(𝑡𝑓 ) + 𝜕𝑥 ) 𝛿𝑥𝑓 =0
𝑓 𝑓
1 2
𝑚𝑖𝑛𝑢𝜖𝑈 𝐽(𝑥, 𝑢, 𝑡) = ∫ 𝑢(𝑡)2 𝑑𝑡
2 0
𝑥̇ 2 (𝑡) = 𝑢(𝑡)
𝑥(0) = [1 2]′
𝑥(2) = [1 0]′
Problème de commande optimale à instant final et état final fixes.
Hamiltonien
1
𝐻(𝑥1 , 𝑥2 , 𝑢, 𝜆1 , 𝜆1 , 𝑡) = 𝑢(𝑡)2 + 𝜆1 ∗ 𝑥̇ 1 (𝑡) + 𝜆2 ∗ 𝑥̇ 2 (𝑡)
2
1
= 𝑢(𝑡)2 + 𝜆1 ∗ 𝑥2 (𝑡) + 𝜆2 ∗ 𝑢(𝑡)
2
𝜕𝐻 ∗ ∗ ∗
(𝑥 , 𝑢 , 𝜆 ) = 𝑢∗ (𝑡) + 𝜆2 ∗ (𝑡) = 0
𝜕𝑢
𝑢∗ (𝑡) = −𝜆2 ∗ (𝑡)
Equations d’état :
𝜕𝐻
𝑥̇ 1 = = 𝑥2 ∗ (𝑡)
𝜕𝜆1
𝜕𝐻
𝑥̇ 2 = = −𝜆2 ∗ (𝑡)
𝜕𝜆2
𝜕𝐻
𝜆1̇ = − =0
𝜕𝑥1
𝜕𝐻
𝜆2̇ = − = −𝜆1 ∗ (𝑡)
𝜕𝑥2
Solutions des équations d’état et d’adjoint :
𝐶3 3 𝐶4 2
𝑥1 ∗ (𝑡) = 𝑡 − 𝑡 + 𝐶2 𝑡 + 𝐶1
6 2
𝐶3 2
𝑥2 ∗ (𝑡) = 𝑡 − 𝐶4 𝑡 + 𝐶2
2
𝜆1 ∗ (𝑡) = 𝐶3
𝜆2 ∗ (𝑡) = −𝐶3 𝑡 + 𝐶4
𝑓(𝑥, 𝑢, 𝑡) − 𝑥̇ = 0. (3.10)
En s’appuyant sur le calcul des variations, on est amené à introduire un multiplicateur de
Lagrange λ, à partir de l’équation (3.4),
𝑡𝑓
= 𝑉(𝑡𝑓 , 𝑥(𝑡𝑓 )) + ∫𝑡0 (𝐿(𝑥, 𝑢, 𝑡) + 𝜆𝑇 𝑓 − 𝜆𝑇 𝑥̇ )𝑑𝑡
𝑡𝑓
= 𝑉(𝑡𝑓 , 𝑥(𝑡𝑓 )) + ∫𝑡0 (𝐻(𝑥, 𝑢, 𝜆, 𝑡) − 𝜆𝑇 𝑥̇ )𝑑𝑡
Notons q les cordonnées généralisées du système. Soit L(q, q˙) = T(q, q˙) − U(q) le
lagrangien, avec le critère :
𝑡
𝐽(𝑞0 , 𝑡0 , 𝑞̇ ) = ∫𝑡 𝑓 𝐿 (𝑞, 𝑞˙)𝑑𝑡 (3.13)
0
𝑞̇ = 𝑢 (3.14)
L’hamiltonien s’écrit alors :
𝜕𝐻 𝜕𝐿
𝜆̇ = − ( ) = − ( ) (3.16)
𝜕𝑞 𝜕𝑞
𝜕𝐻 𝜕𝐻 𝜕𝐿
( 𝜕𝑢 ) = ( 𝜕𝑞̇ ) = (𝜕𝑞̇ ) + 𝜆 = 0 (3.17)
En dérivant l’équation (3.17) par rapport au temps puis en remplaçant 𝜆̇ par l’équation
(3.16), on obtient l’équation d’Euler-Lagrange
𝑑 𝜕𝐿 𝜕𝐿
− =0 (3.18)
𝑑𝑡 𝜕𝑞̇ 𝜕𝑞
Résoudre le problème LQ, revient à déterminer 𝑢∗ (𝑡) qui minimise 𝐽(𝑥0 , 𝑡0 , 𝑢) sur [𝑡0 𝑡𝑓 ].
𝜕𝐻
𝜆̇ = − ( ) = −𝑄 𝑥 − 𝐴𝑇 𝜆 (3.22)
𝜕𝑥
𝜕𝐻
𝑥̇ = ( ) = 𝐴 𝑥 + 𝐵 𝑢 (3.23)
𝜕𝜆
Equation de la commande : en absence de contrainte sur la commande
𝜕𝐻
= 𝑅 𝑢 + 𝐵𝑇 𝜆 = 0 (3.24)
𝜕𝑢
Condition de transversalité :
𝜕𝑉
𝜆(𝑡𝑓 ) = = 𝑆 𝑥𝑓 (3.27)
𝜕𝑥𝑓
1
Avec 𝑉= 𝑥𝑓 𝑆(𝑡𝑓 ) 𝑥𝑓
2
Les équations d’état et les équations adjointes donnent alors le système suivant appelé
système hamiltonien :
𝑥̇ 𝐴 −𝐵𝑅−1 𝐵𝑇 𝑥
[ ̇] = [ ][ ] (3.28)
𝜆 −𝑄 −𝐴𝑇 𝜆
Il est intéressant de noter que la commande optimale obtenue s’écrit comme un retour d’état
u = −K(t) x avec : K(t) = −R−1 B T P (3.31)
5. Conclusion
L’intérêt de la commande optimale découle de la nature même de sa définition : optimiser un
critère de notre choix, tout en satisfaisant des conditions de fonctionnement données et des
contraintes imposées. Les principaux critères utilisés sont le temps minimum, les critères
quadratiques et les critères de type consommation.
Les utilisations principales du critère temps minimum sont les problèmes de sécurité et la
minimisation des coûts liés à la durée, les applications principales se rencontrent dans les
domaines de la production continue, de l’espace, de la défense et de la médecine.
La mise en œuvre de critères quadratiques intervient dans les problèmes de minimisation de
l’énergie mise en œuvre, de stabilisation et de suivi de trajectoire ; elle concerne
essentiellement les problèmes de régulation et d’asservissement en général, ainsi que les
processus mettant en œuvre des énergies importantes. L’intérêt apparaît à la fois au niveau de
la qualité, de la sécurité et des coûts de mise en œuvre.
Commande de la réponse
immunitaire innée
Figure 4: Réponse immunitaire innée améliorée à une attaque des agents pathogènes
Considérons un modèle simple pour une attaque pathogène sur l'organisme de la réponse
immunologique de l'organisme, [17], [18], [20], [21], [22].
a41 0.5 Le coefficient de dommages subis à l'organe par les agents pathogènes
b1 -1
b2 1
b3 1
b4 -1
Cas 1 : le cas sub-clinique qui ne soit pas susceptible d'exiger un examen médical.
Cas 2 : le cas clinique comme une condition plus sévère justifiant une consultation
médicale,
Cas 3 : chronique,
Cas 4 : mortel.
𝑥̇ 2 = 3 ∗ A(𝑥4 ) 𝑥1 ∗ 𝑥3 − (𝑥2 − 2)
𝑥̇ 4 = 0.5 ∗ 𝑥1 − 𝑥4
l’agent pathogène
x1:pathogene
1.5
la concentration
0.5
0
0 1 2 3 4 5 6 7 8 9 10
le temps
Figure 6: Concentration du pathogène x1 dans le cas(1)
4
la concentration
3.5
2.5
2
0 1 2 3 4 5 6 7 8 9 10
le temps
L’anticorps
x3:Anticorps
2.2
2
la concentration
1.8
1.6
1.4
0 1 2 3 4 5 6 7 8 9 10
le temps
Figure 8 : la concentration d’anticorps x3
L’organe
x4:Organe
1
0.8
la concentration
0.6
0.4
0.2
0
0 1 2 3 4 5 6 7 8 9 10
le temps
Figure 9: l’organe x4
D’après ces résultats on peut conclure que le modèle du système immunitaire inné (équation.
4.5) est efficace contre les agents pathogènes dans le cas subclinique pour une concentration
initiale x1(0) = 1.5
4 4
3 3.5
la concentration
2 3
1 2.5
0 2
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
x3:Anticorps x4:Organe
3 1
0.8
2.5
0.6
2
0.4
1.5 0.2
0
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
le temps le temps
Figure 10: Réponses immunitaires à des agents pathogènes dans le cas clinique
La figure 10 illustre la réponse immunitaire innée contre un agent pathogène dans le cas
clinique. La concentration de l'agent pathogène (x1) décroît asymptotiquement vers zéro,
grâce aux cellules immunitaires qui produisent des anticorps. On constate que l’organe passe
par une période transitoire mauvaise mais après quelques unités de temps il récupère et
devient sain. On peut dire que l’organe est en bonne santé.
4
la concentration 3
3.5
2
3
1
2.5
0 2
0 2 4 6 8 10 0 2 4 6 8 10
x3:Anticorps x4:Organe
2 1
0.8
1.5
0.6
1
0.4
0.5
0.2
0 0
0 2 4 6 8 10 0 2 4 6 8 10
le temps le temps
Dans ce cas le système immunitaire n’est pas efficace, il ne répond pas à nos besoins.
En effet, la courbe de pathogène x1 ne s’annule pas c’est-à-dire il y a présence d’un agent
pathogène. De même la courbe d’organe ne s’annule pas aussi, ce qui montre que l’organe
est dans un mauvais état.
x1(0) = 3
4 4
3 3.5
2 3
la concentration
1 2.5
0 2
0 1 2 3 4 5 6 7 0 2 4 6 8 10
x3:Anticorps x4:Organe
1.5 1
0.8
1
0.6
0.4
0.5
0.2
0 0
0 2 4 6 8 10 0 2 4 6 8 10
le temps le temps
3 chronique 3.5
concentration
2 3
1 2.5
0 2
0 2 4 6 8 10 0 2 4 6 8 10
Anticorps organe
2.5 1
2 0.8
1.5 0.6
1 0.4
0.5 0.2
0 0
0 2 4 6 8 10 0 2 4 6 8 10
temps temps
Nous pouvons conclure, que pour les cas subclinique et clinique on n’a pas besoin de
traitement, le système immunitaire est suffisant pour une guérisson totale de patient. Tandis
que pour les cas chronique et mortel il y a besoin d’un traitement médical.
𝑌 = ℎ(𝑥) (4.7)
L'objectif est de concevoir une commande U de sorte que la sortie Y évolue vers un signal de
référence Y* en régime permanent.
Le contrôleur est synthétisé de telle sorte que la dynamique linéaire d’erreur suivante soit
satisfaite est stable.
𝐸̇ + 𝐾 𝐸 = 0 (4.9)
Où, K est une matrice de gain définie positive choisi comme une matrice diagonale avec des
éléments positifs dans la diagonale. Pour une meilleure interprétation physique, on peut
𝑌̇ − 𝑌 ∗̇ + 𝐾(𝑌 − 𝑌 ∗ ) = 0 (4.10)
(𝑎 − 𝑎12 𝑥3 )𝑥1 𝑏1 0 𝑢1
𝑌̇ = [ 11 ]+[ ][ ] (4.13)
𝑎41 𝑥1 − 𝑎42 𝑥4 0 𝑏4 𝑢2
Nous avons m = p = 2, deus variables de commande et deux variables de sortie.
fy(x) = [(a11 − a12 x3 )x1 (a41 x1 − a12 x3 )] T et Gy(x) = diag (b1 b4).
Gy(x) est une matrice diagonale avec des constantes non nulles, son inverse est défini t.
T
L’objectif est de contraindre la réponse Y= [x1 x4] à évoluer vers 0, (Y*= 0), à savoir la
concentration de l'agent pathogène (x1) doit décroître vers zéro, et l’organe doit se rétablir
(x4= 0).
Avec la matrice K = diag (1/τ1 1/τ2), nous obtenons la variable de commande suivante:
Comme le traitement externe est nécessaire pour les cas chroniques et mortels alors que le
système immunitaire du corps est suffisamment capable de guérir la maladie pour les cas sub-
cliniques et cliniques. Nous avons opté pour le cas mortel pour montrer les performances de
la commande linéarisante.
Les conditions initiales choisis sont donc [x1(0) =3, x2(0) =2, x3(0) =4/3, x4(0) =0].
4
5
3
4
2
3
la concentration
0 2
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
x3:Anticorps x4:Organe
3 0.5
2.5
2 0
1.5
1 -0.5
0 1 2 3 4 5 6 7 8 9 10 0 1 2 3 4 5 6 7 8 9 10
le temps le temps
D’après les résultats de la Figure.14 on peut déduire que l'objectif de la commande est
atteint. En effet, la concentration de l'agent pathogène (x1) décroît asymptotiquement vers
zéro. En outre, l'organe reste en bonne santé (la valeur représentant la santé des organes (x4)
est proche de zéro) pendant toute la durée du traitement. Les concentrations des cellules
plasmatiques (x2) et les anticorps (x3) sont clairement délimitées, ils convergent vers leurs
valeurs d'état stable.
U1
5
la concentration
0
0 1 2 3 4 5 6 7 8 9 10
le temps
U2
1.5
la concentration
0.5
0
0 1 2 3 4 5 6 7 8 9 10
le temps
Les doses de médicaments nécessaires sont indiquées sur la figure. 15. On remarque qu’elles
diminuent et atteint zéro, Les médicaments ne sont nécessaire que pendant deux unités de
temps, après ils ne sont plus utiles. Le plus important, dans notre cas, c’est que l'organe reste
Commande d’un système biologique Page 50
toujours en bonne santé, il y a un taux de production de cellules plasmatiques plus élevée et sa
concentration reste plus élevée. Ceci conduit à une grande concentration d'anticorps qui
luttent contre les pathogènes envahissants, d'où une guérison rapide.
L’étude de la robustesse est motivée par la possibilité que l’organe infecté peut être en plus
agressé par un agent pathogène grave.
Les figures 16 et 17 illustrent les résultats de simulation pour trois cas aléatoires.
0 2
0 2 4 6 8 10 0 2 4 6 8 10
Anticorps organe
3 1
2.5
2 0.5
1.5
1 0
0 2 4 6 8 10 0 2 4 6 8 10
temps temps
la concentration
5
0
0 1 2 3 4 5 6 7 8 9 10
le temps
U2
2
la concentration
1.5
0.5
-0.5
0 1 2 3 4 5 6 7 8 9 10
le temps
Figure 17: Dosage des médicaments nécessaires pour les patients ayant des valeurs de
paramètres perturbées
On a:
1 1 𝑡
𝐽 = (𝑝11 𝑥1𝑓 2 + 𝑝44 𝑥4𝑓 2 ) + ∫𝑡 𝑓(𝑞11 𝑥1 2 + 𝑞44 𝑥4 2 + 𝑟11 𝑢1 2 + 𝑟22 𝑢2 2 +
2 2 0
2 2)
𝑟33 𝑢3 + 𝑟44 𝑢4 𝑑𝑡 (4.15)
Où les matrices de pondération Q et R sont supposés diagonale comme suit:
𝑞11 0 0 0 𝑟11 0 0 0
0 𝑞22 0 0 0 𝑟22 0 0
𝑄= 𝑅=[ ]
0 0 𝑞33 0 0 0 𝑟33 0
[ 0 0 0 𝑞44 ] 0 0 0 𝑟44
Qui comprend le coût terminal V(tf,xf), associée aux valeurs d'agents pathogènes et de la
santé des organes à la fin de la période de traitement, ainsi qu'un coût intégral des variations
d'état et de contrôle au cours de la période L(x,u,t) .
𝜕𝐻
𝐻𝜆 (𝑡, 𝑥 ∗ , 𝑢∗ , 𝜆∗ ) = 𝑥̇ = = 𝑓(𝑥, 𝑢, 𝑡)
𝜕𝜆
𝜕𝐻
𝐻𝑥 (𝑡, 𝑥 ∗ , 𝑢∗ , 𝜆∗ ) =𝜆̇ = − ( )
𝜕𝑥
𝜕𝐻
𝐻𝑢 (𝑡, 𝑥 ∗ , 𝑢∗ , 𝜆∗ ) = =0
𝜕𝑢
𝜕𝑉
𝜆(𝑡𝑓 ) =
𝜕𝑥𝑓
Equations de transversalité
𝜆2 (𝑡𝑓 ) = 0
𝜆3 (𝑡𝑓 ) = 0
Equation de commande :
𝑟11 𝑢1 + 𝜆1 𝑏1 = 0 (4.19)
𝑟22 𝑢2 + 𝜆2 𝑏2 = 0
𝑟33 𝑢3 + 𝜆3 𝑏3 = 0
𝑟44 𝑢4 + 𝜆4 𝑏4 = 0
Tous les pii et qii sont pris égales à un, et rjj égale à un pour la commande active et zéro pour
les commandes inactives. L'intervalle de traitement est de 10 unités de temps. L’optimisation
numérique est arrêtée lorsque l'amélioration est évidente.
Dans un premier temps, on suppose que seul le tueur de pathogènes (u1) est appliqué. Ensuite,
seul l'activateur plasmocytaire (u2) est appliqué, et ainsi de suite [21], [22].
0 2
0 2 4 6 8 10 0 2 4 6 8 10
anticorps organe
5 1
3 0.5
1 0
0 2 4 6 8 10 0 2 4 6 8 10
temps temps
4
U1
3.5
U2
U3
3
U4
2.5
1.5
0.5
0
0 1 2 3 4 5 6 7 8 9 10
temps
Les résultats montrent que chacun des agents thérapeutiques utilisés séparément peuvent tuer
l'agent pathogène et maintenir la santé des organes avec la participation du système
immunitaire inné. Tous les protocoles thérapeutiques spécifient une dose initialement forte de
l'agent suivi par une décroissance exponentielle.
7
x1-patogene
6 x2-les cellules plasmatiques
x3-anticorps
5 x4-organe
concentration
0
0 1 2 3 4 5 6 7 8 9 10
temps
2
U1
U2
1.5 U3
concentration
U4
0.5
0
0 1 2 3 4 5 6 7 8 9 10
temps
Les systèmes dynamiques avec retards dans les deux variables d'état et de contrôle jouent un
rôle important dans la modélisation des phénomènes de la vie réelle dans les processus
chimiques et biologiques, en économie et de la mécanique et de divers autres domaines. Dans
Soit le modèle de la réponse immunitaire innée avec retard [17], [18], [18].
𝑥̇ 1 = (1 − 𝑥3 )𝑥1 − 𝑢1
𝑥̇ 4 = 0.5 ∗ 𝑥1 − 𝑥4 − 𝑢4
Les paramètres de ce modèle sont déjà présenter dans la section [chapitre 4.1].
Les retards éventuels sont les suivants: les retards 𝑟𝑥1 dans la concentration d'agents
pathogènes x1 et 𝑟𝑥3 dans la concentration d'anticorps x3, Ces retards provoquent une
production de cellules de plasma retardée.
Pour des raisons de notation, nous introduisons l'ensemble des variables représentant les
variables retardées suivant: y1 = x1 (t - 𝑟𝑥1 ) , y3 = x3 (t - 𝑟𝑥3 ) .
L’ hamiltonien pour le problème de la commande optimale avec retard est donné par :
+ 𝜆1 [(1 − 𝑥3 )𝑥1 − 𝑢1 ]
+𝜆4 [0.5 𝑥1 − 𝑥4 − 𝑢4 ]
où λ = (𝜆1 ,𝜆2 , 𝜆3 , 𝜆4 ) désigne la variable adjointe .
𝜆2̇ = 𝜆2 − 𝜆3
8
x1-patogene
7 x2-les cellules plasmatiques
x3-anticorps
6 x4-organe
concentration
0
0 1 2 3 4 5 6 7 8 9 10
temps
3.5
3 U1
U2
concentration
2.5 U3
U4
2
1.5
0.5
0
0 1 2 3 4 5 6 7 8 9 10
temps
Figure 22: Solution optimale des équations d’états et de commande avec retard égale à un
La figure 22 indique que la production de cellules de plasma est retardée d’une seule unité de
temps, est ça due au retard qu’on a appliqué au système. Par la suite la production de ces
cellules augmente d’une façon normale, alors que la concentration du pathogène s’annule
avant les deux premières unités de temps et l’organe reste on bonne santé.
Alors que les commandes rejoignent à zéros après qu’ils ont tué l’agent pathogène avec
succès. La dose des médicaments tueuses d'agents pathogènes sont supérieure aux autres
médicaments, suivi des médicaments activateur d’organe et d’anticorps avec presque la même
x1-patogene
9
x2-les cellules plasmatiques
x3-anticorps
7 x4-organe
concentration
1
0
0 1 2 3 4 5 6 7 8 9 10
temps
(a)
3.5 U1
U2
3
U3
concentration
2.5 U4
1.5
0.5
0
0 1 2 3 4 5 6 7 8 9 10
temps
(b)
Figure 23: Solution optimale des équations d’états avec des retards égale à 2.5
On remarque que la production de cellules de plasma est retardée de 2.5 unité de temps et sa
concentration augmente jusqu’à 8 lors de production des anticorps, cette valeur supérieure à
la valeur de la concentration (=7) dans le cas où le retard égale à un. Alors que la
concentration du pathogène s’annule après deux unités de temps.
Une importante constatation est que les approches adaptées à la thérapie peuvent être
identifiés, soit par des agents qui attaquent le pathogène directement ou en améliorant la
capacité défensive du système immunitaire naturel.
La théorie du contrôle optimal peut aider à développer un aperçu clinique dans le suivi et le
traitement des maladies. La flexibilité et la simplicité par rapport de cette technique peut
conduire à une meilleure thérapie pour les individus, dont les caractéristiques peuvent être
prises en compte lors de l'établissement de traitement.
Tout d’abord, une présentation générale de la biologie des systèmes est relatée en mettant
l’accent sur le rôle de la modélisation, l'analyse et la rétroaction dans les systèmes
biologiques. Suivi de quelques applications de contrôle dans le domaine de la biologie.
Par la suite, le système immunitaire est évoqué d’une façon générale, son rôle, ces
mécanismes de défense, et ces deux aspects innée et adaptative sont présentés.
Comme la théorie du contrôle optimal peut aider à développer un aperçu clinique dans le suivi
et le traitement des maladies. Les bases théoriques du contrôle optimal sont exposées, avec
notamment le principe du maximum de Pontryagin, ainsi que la théorie d’Hamilton-Jacobi.
Par ailleurs, la théorie du contrôle optimal pour des systèmes de contrôle linéaires est étalée,
la théorie dite linéaire-quadratique.
L'état dynamique du système représente les concentrations de l'agent pathogène, des cellules
plasmatiques, des anticorps, ainsi qu'une description quantifiée de la santé d'organes.
Dans un premier temps, la réponse naturelle du système e. i sans médicaments à une plage de
concentrations initiales de pathogènes est présentée. Les résultats de simulation ont montré
que sans traitement, l'agression microbienne pourrait être mortelle.
Par la suite, une commande simple à savoir la commande linéarisante est appliquée, les
résultats montrent que la méthode d'administration du médicament déduite de cette technique
est efficace et permet de tuer les microbes envahisseurs et guérir le patient malade.
Les résultats montrent que chacun des agents thérapeutiques utilisés séparément ou
simultanément peuvent tuer l'agent pathogène et maintenir la santé des organes en améliorant
le système immunitaire.
Finalement, vu que la réaction biologique dans une situation pathologique, comme dans notre
cas, peut être considérablement retardé, la commandé optimale avec retard a été appliquée.
Une telle approche s’est avérée efficace dans le traitement de la maladie permettant de guérir
l'organe malade et d’améliorer le système immunitaire.
[2] F.J. Doyle III, L. Jovanovic, D.E. Seborg, R.S. Parker, B.W. Bequette, A.M. Jeffrey, X.
Xia, I.K. Craig, and T.McAvoy, “A tutorial on biomedical process control,” J. Process Control, vol.
17, pp. 571-630, 2007.
[3]J. Boston, M. Simaan, J. Antaki, and Y. Yu. “Control issues in rotary heart assist devices,” in Proc.
American Control Conference, 2000, pp. 3473-3477.
[4] G. Giridharan and M. Skliar. “Nonlinear controller for ventricular assist devices,” Artificial
Organs, vol. 26, pp. 980-984, 2002.
[5] E. Pfeiffer, C. Thum, and A.H. Clemens. “The artificial beta cell – a continuous control of blood
sugar by external regulation of insulin infusion (glucose controlled insulin infusion system),” Horm.
Metab. Res., vol. 487, pp. 339-342, 1974
[6] A. Clemens. “Feedback control dynamics for glucose controlled insulin infusion system.” Med.
Progr. Technol., vol. 6, pp. 91-98, 1979.
[7] G.M. Steil and M.F. Saad. “Automated insulin delivery for type 1 diabetes,” Curr. Opin.
Endocrinol. Diabetes, vol. 13, pp. 205-211, 2006.
[8] R. Parker, F. Doyle, and N. Peppas. “A model-based algorithm for blood glucose control in type I
diabetic patients,” IEEE Trans. Biomed. Eng., vol. 46, pp. 148-157, 1999.
[9] R. Hovorka, L.J. Chassin, M.E. Wilinska, V. Canonico, J. Akwe, O.M. Federici, M. Massi-
Benedetti, I. Hutzli, C.Zaugg, H. Kaufmann, M. Both, T. Vering, H. Schaller, L. Schaupp, M.
Bodenlenz, and T. Pieber, “Closing the loop: The adicol experience,” Diabetes Technology &
Therapeutics, vol. 6, pp. 307-318, 2004.
[10] R. Hovorka, J.M. Alle, D. Elleri, L.J. Chassin, J. Harris, D. Xing, C. Kollman, T. Hovorka, A.M.
Larsen, M. Nodale, A. De Palma, M.E. Wilinska, C.L. Acerini, and D.B. Dunger. “Manual closed-
loop insulin delivery in children and adolescents with type 1 diabetes: A phase 2 randomised crossover
trial,” Lancet, Feb. 4, 2010.
[11] Emmanuel Trélat. ‘Contrôle optimal : théorie et applications’. Université Pierre et Marie
Curie (Paris 6) et Institut Universitaire de France Laboratoire Jacques-Louis Lions CNRS, UMR 7598
4 place Jussieu, BC 187 75252 Paris cedex 05, France.
[14] Dr. Radhakant Padhi .’Classical Numerical Methods to Solve Optimal Control Problems’.
[15] Commande optimale des systèmes dynamiques Cours 4 Approche variationnelle en commande
optimale Principe du maximum de Pontryagin. LAAS-CNRS.ISAE-N6K.
[16] Richard M. Murray. ‘Optimization-Based Control’. Control and Dynamical Systems California
Institute of Technology.
[18] Robert F. Stengel, Raffaele Ghigliazza, Nilesh Kulkarni and Olivier Laplace.’ Optimal control of
innate immune response’Optim. Control Appl. Meth., 2002; 23: 91–104.
[19]JAYENDER R. BHARDHWAJ AND RADHAKANT PADHI .’ Effective drug dosage design for
treatment of infectious diseases using dynamic inversion’J. Indian Inst. Sci., July–Aug. 2006, 86, 377–
388.
[20] Helmut Maurer ‘Theory and Applications of Optimal Control Problems with Time-Delays’.
University of Munster Institute of Computational and Applied Mathematics South Pacific
Optimization Meeting (SPOM) Newcastle, CARMA, 9–12 February 2013.
[21] L. Gollmann D. Kern and H. Maurer.’ Optimal control problems with delays in state and control
variables subject to mixed control–state constraints’ Optim. Control Appl. Meth. (2008) Published
online in Wiley InterScience.
[22] Bor-Sen Chen , Chia-Hung Chang , Yung-Jen Chuang.’ Robust model matching control of
immune systems under environmental disturbances: Dynamic game approach’ Journal of Theoretical
Biology 253 (2008) 824– 837.
[23] Min Wu ,Yong He et Jin-Hua She,’ Stability Analysis and Robust Control of Time-Delay
Systems’ Library of Congress Control Number: 2009942249.